מדידת הסיכון לחשיפה ולזיהוי מחדש

ניתוח סיכונים לשחזור פרטי זיהוי, או פשוט ניתוח סיכונים, הוא תהליך של ניתוח נתונים רגישים כדי למצוא מאפיינים שעשויים להגביר את הסיכון לזיהוי של נושאי הנתונים. אפשר להשתמש בשיטות לניתוח סיכונים לפני הסרת פרטי הזיהוי כדי לקבוע אסטרטגיה יעילה להסרת פרטי הזיהוי, או אחרי הסרת פרטי הזיהוי כדי לעקוב אחרי שינויים או חריגות.

בעזרת Sensitive Data Protection אפשר לחשב ארבעה מדדי סיכון לשחזור פרטי זיהוי: k-anonymity,‏ l-diversity,‏ k-map ו-δ-presence. אם אתם לא מכירים את המושג "ניתוח סיכונים" או את המדדים האלה, כדאי לקרוא את הנושא "מושגים בניתוח סיכונים" לפני שתמשיכו.

בקטע הזה נסביר איך להשתמש ב-Sensitive Data Protection לניתוח סיכונים של נתונים מובְנים באמצעות כל אחד מהמדדים האלה, וגם נושאים קשורים אחרים.

חישוב הסיכון לשחזור פרטי זיהוי

בעזרת Sensitive Data Protection אפשר לנתח את הנתונים המובְנים שמאוחסנים בטבלאות BigQuery, ולחשב את מדדי הסיכון הבאים לשחזור פרטי זיהוי. כדי לקבל מידע נוסף, לוחצים על הקישור למדד שרוצים לחשב.

מדד	תיאור
k-anonymity	מאפיין של מערך נתונים שמציין את היכולת לזהות מחדש את הרשומות שלו. קבוצת נתונים היא k-אנונימית אם המזהים החלקיים של כל אדם בקבוצת הנתונים זהים לאלה של לפחות k – 1 אנשים אחרים שגם נמצאים בקבוצת הנתונים.
l-diversity	הרחבה של אנונימיות k שגם מודדת את המגוון של ערכים רגישים בכל עמודה שבה הם מופיעים. לקבוצת נתונים יש גיוון l אם לכל קבוצת שורות עם מזהים דמויי-מזהים זהים, יש לפחות l ערכים נפרדים לכל מאפיין רגיש.
k-map	מחשב את הסיכון לזיהוי מחדש על ידי השוואה בין קבוצת נתונים נתונה של נושאים שהוסרו מהם פרטי הזיהוי לבין קבוצת נתונים גדולה יותר של זיהוי מחדש – או "מתקפה".
δ-presence	הערכת הסבירות שמשתמש נתון באוכלוסייה גדולה יותר נמצא בקבוצת הנתונים. השיטה הזו משמשת כשעצם ההשתייכות למערך הנתונים היא מידע רגיש.

חישוב נתונים סטטיסטיים אחרים

בנוסף, אפשר להשתמש ב-Sensitive Data Protection כדי לחשב נתונים סטטיסטיים מספריים וקטגוריים של נתונים שמאוחסנים בטבלאות ב-BigQuery, באמצעות אותו משאב DlpJob כמו ממשקי ה-API לניתוח סיכונים.

מדד	תיאור
נתונים סטטיסטיים מספריים	קובעת את הערכים המינימליים, המקסימליים והקוונטיליים של עמודה ספציפית ב-BigQuery.
נתונים סטטיסטיים מספריים שמחולקים לקטגוריות	מחשב נתונים סטטיסטיים מספריים קטגוריים של קטגוריות ההיסטוגרמה הנפרדות בעמודה ב-BigQuery.

מידע נוסף זמין במאמר חישוב נתונים סטטיסטיים מספריים וקטגוריים.

המחשה חזותית של הסיכון לשחזור פרטי זיהוי

אתם יכולים להציג את מדדי הסיכון שחושבו ב-Sensitive Data Protection ישירות במסוף Google Cloud באמצעות Sensitive Data Protection (אנונימיות k או גיוון l), או באמצעות מוצרים אחרים שלGoogle Cloud .

מוצר	תיאור
Data Studio	אחרי שמחשבים את ערכי האנונימיות של k של מערך נתונים באמצעות Sensitive Data Protection, אפשר להציג את התוצאות באופן חזותי ב-Data Studio. כך תוכלו גם להבין טוב יותר את הסיכון לשחזור פרטי הזיהוי, ולהעריך את הפשרות בתועלת שאתם עשויים לעשות אם תצנזרו נתונים או תסירו מהם את פרטי הזיהוי.